الكشف عن الاحتيال في التحويلات الماليه باستخدام الذكاء الاصطناعي

مشروع اكتشاف الاحتيال ومعالجة عدم التوازن في البيانات

هدف المشروع: معالجة مشكلة عدم التوازن في البيانات عند اكتشاف الاحتيال المالي باستخدام تقنيات تعلم الآلة.

الخطوات الرئيسية للمشروع:

استكشاف البيانات وتحليلها:

تحليل البيانات لفهم توزيع الفئات المختلفة (الاحتيال وغير الاحتيال).

تقسيم البيانات:

تقسيم البيانات إلى مجموعات تدريب واختبار لضمان تقييم دقيق للنموذج.

معالجة عدم التوازن:

استخدام تقنية SMOTE (Synthetic Minority Over-sampling Technique) لزيادة العينات من الفئة الأقل تمثيلاً (الاحتيال).

بناء النموذج:

استخدام خوارزميات تعلم الآلة مثل Random Forest وXGBoost لبناء نموذج اكتشاف الاحتيال.

تقييم النموذج:

تقييم أداء النموذج باستخدام مقاييس مثل الدقة (Accuracy)، الاسترجاع (Recall)، والدقة التنبؤية (Precision).

النتائج:

الاسترجاع (Recall): تم تحسينه إلى حوالي 93%، مما يعني أن النموذج قادر على اكتشاف 93% من حالات الاحتيال بنجاح.